Pandas数据预处理的10个小技能 / 开普饭

大家好，欢迎来到 Crossin的编程教室！

数据预处理是数据分析的重要步骤，常用的处理包括找出异常值、处理缺失值、过滤不合适值、去掉重复行、分箱、分组、排名、category转数值等。今天分享的这篇文章将介绍如何使用 pandas 解决这些最常见的预处理任务。

找出异常值常用两种方法：

标准差法：异常值平均值上下1.96个标准差区间以外的值
分位数法：小于 1/4分位数减去 1/4和3/4分位数差的1.5倍，大于3/4减去 1/4和3/4分位数差的1.5倍，都为异常值

技能1 ：标准差法

import pandas as pd
df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]})
# 异常值平均值上下1.96个标准差区间以外的值

meangrade = df['a'].mean()

stdgrade = df['a'].std()

toprange = meangrade   stdgrade * 1.96

botrange = meangrade - stdgrade * 1.96

# 过滤区间外的值 copydf = df copydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydf = copydf.drop(copydf[copydf['a'] < botrange].index) copydf

技能2：分位数法

q1 = df['a'].quantile(.25)q3 = df['a'].quantile(.75)iqr = q3-q1toprange = q3   iqr * 1.5botrange = q1 - iqr * 1.5

copydf = dfcopydf = copydf.drop(copydf[copydf['a']        > toprange].index)copydf = copydf.drop(copydf[copydf['a']        < botrange].index)copydf

技能3：处理空值

np.nan 是 pandas 中常见空值，使用 dropna 过滤空值，axis 0 表示按照行，1 表示按列，how 默认为 any ，意思是只要有一个 nan 就过滤某行或某列，all 所有都为 nan

# axis 0 表示按照行，all 此行所有值都为 nan

df.dropna(axis=0, how='all')

技能4：充填空值

空值一般使用某个统计值填充，如平均数、众数、中位数等，使用函数 fillna:

# 使用a列平均数填充列的空值，inplace true表示就地填充df['a'].fillna(df['a'].mean(), inplace=True)

技能5：修复不合适值

假如某门课最高分100，如果出现 -2， 120 这样的值，显然不合理，使用布尔类型的Series对象修改数值：

df.loc[(df['a'] < -2,'a')] = 0

df.loc[(df['a'] >= 100,'a')] = 100

技能6：过滤重复值

过滤某列重复值，使用 drop_duplicated 方法，第一个参数为列名，keep关键字等于last：最后一次出现此值行：

df.drop_duplicates(['Names'], keep='last')

技能7：apply 元素级：去掉特殊字符

某列单元格含有特殊字符，如标点符号，使用元素级操作方法 apply 干掉它们：

import string

exclude = set(string.punctuation)
def remove_punctuation(x):

    x = ''.join(ch for ch in x if ch not in exclude)

    return x

# 原df

Out[26]: 

      a       b

0   c,d  edc.rc

1     3       3

2  d ef       4

# 过滤a列标点 In [27]: df.a = df.a.apply(remove_punctuation) In [28]: df Out[28]: a b 0 cd edc.rc 1 3 3 2 d ef 4

技能8：cut 数据分箱

将百分制分数转为A,B,C,D四个等级，bins 被分为 [0,60,75,90,100]，labels 等于['D', 'C', 'B', 'A']：

# 生成20个[0,100]的随机整数In [30]: a = np.random.randint(1,100,20)                   In [31]: a                                    Out[31]: array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31,  5, 46, 98,99, 60, 43])

# cut分箱In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A'])             Out[33]: [D, D, D, B, D, ..., D, A, A, D, D]Length: 20Categories (4, object): [D < C < B < A]

技能9：rank 排名

rank 方法，生成数值排名，ascending 为False，分值越大，排名越靠前：

In [36]: df = pd.DataFrame({'a':[46, 98,99, 60, 43]} )) 

In [53]: df['a'].rank(ascending=False)                   

Out[53]: 

0    4.0

1    2.0

2    1.0

3    3.0

4    5.0

技能10：category列转数值

某列取值只可能为有限个枚举值，往往需要转为数值，使用get_dummies，或自己定义函数：

pd.get_dummies(df['a'])

自定义函数，结合 apply:

def c2n(x):

    if x=='A':

        return 95

    if x=='B':

        return 80

df['a'].apply(c2n)

以上就是利用 pandas 进行数据预处理的十个小任务。

作者：zhenguo

Pandas数据预处理的10个小技能

相关推荐